{"id":8717,"date":"2024-06-04T10:07:21","date_gmt":"2024-06-04T08:07:21","guid":{"rendered":"https:\/\/greenict.de\/?p=8717"},"modified":"2024-06-04T13:51:31","modified_gmt":"2024-06-04T11:51:31","slug":"auf-dem-weg-zur-ki-unterstuetzten-netzautomatisierung-verkehrsprognose-basierte-lastadaptive-steuerung-der-optischen-linkkapazitaeten","status":"publish","type":"post","link":"https:\/\/greenict.de\/en\/auf-dem-weg-zur-ki-unterstuetzten-netzautomatisierung-verkehrsprognose-basierte-lastadaptive-steuerung-der-optischen-linkkapazitaeten\/","title":{"rendered":"On the way to AI-supported network automation: traffic forecast-based, load-adaptive control of optical link capacities"},"content":{"rendered":"

In diesem Blog Post wird eine Methode zur dynamischen Anpassung der Verbindungskapazit\u00e4t auf der Grundlage von ML-gest\u00fctzten Verkehrsprognosen f\u00fcr optische Metro-Aggregationsnetze vorgestellt. Die Methode wird auch mit der traditionellen statischen Zuweisung von Verbindungskapazit\u00e4ten verglichen. Es zeigt sich, dass die dynamische Anpassung der Verbindungskapazit\u00e4t die Kapazit\u00e4ts\u00fcberversorgung deutlich reduzieren kann und damit Einsparungen bei den Netzressourcen erm\u00f6glicht, was sich auch in einer Verringerung des Energieverbrauchs und damit in einer geringeren CO2<\/sub>-Bilanz niederschl\u00e4gt.<\/strong><\/p>\n\n\n\n

\"\"<\/figure>
\n

Ein Beitrag von Mihail Balanici
Wissenschaftler Data Analytics and Signal Processing
<\/a>Fraunhofer-Institut f\u00fcr Nachrichtentechnik,
Heinrich-Hertz-Institut, HHI<\/a><\/p>\n\n\n\n

<\/p>\n<\/div><\/div>\n\n\n\n

<\/p>\n\n\n\n

Die gro\u00dfe Anzahl und Vielfalt neu entstehender Online-Dienste und der daraus resultierende nutzer- und maschinengenerierte Datenverkehr f\u00fchren zu einer st\u00e4ndig steigenden Bandbreitennachfrage f\u00fcr die zugrunde liegende optische Transportinfrastruktur. Diese hohen Anforderungen an Durchsatz und niedrige Latenzzeiten haben zu einem hohen Bedarf an autonomen optischen Netzen gef\u00fchrt, die eine gr\u00f6\u00dfere Dynamik und Flexibilit\u00e4t bei der Zuweisung von Netzressourcen unterst\u00fctzen. Bei der herk\u00f6mmlichen, statischen Zuweisung von Bandbreite bleibt die bereitgestellte Portkapazit\u00e4t \u00fcber den gesamten Lebenszyklus der Verbindung konstant, was dazu f\u00fchrt, dass ein gro\u00dfer Teil der verf\u00fcgbaren Kapazit\u00e4t ungenutzt bleibt (Abb. 1, rote Kurve). Im Gegensatz zur statischen Zuweisung erm\u00f6glicht die dynamische Zuweisung von Verbindungskapazit\u00e4t eine hochflexible und viel effizientere Nutzung der Netzressourcen (Abb.1, lila Kurve). Bei schwankenden Verkehrsmustern und -str\u00f6men sowie variierenden Nutzeranforderungen f\u00fchrt die statische Zuweisung von Verbindungskapazit\u00e4t h\u00e4ufig zu einer Unterauslastung der Netzressourcen, was zu einer suboptimalen und ineffizienten Netzleistung f\u00fchrt. Durch eine dynamische Zuweisung k\u00f6nnen sich optische Netze effizient an die sich st\u00e4ndig \u00e4ndernde Verkehrsnachfrage anpassen und sicherstellen, dass die Ressourcen dann und dort zugewiesen werden, wo sie ben\u00f6tigt werden. Neben der Verbesserung der Effizienz des Netzbetriebs tr\u00e4gt die dynamischen Zuweisung auch zu Kosteneinsparungen bei, indem sie die Nutzung der vorhandenen Infrastruktur maximiert und die mit dem Energieverbrauch des zugrunde liegenden optischen Netzes verbundenen Betriebsausgaben verringert. Nicht zuletzt ebnet die dynamische Zuweisung von Verbindungskapazit\u00e4ten den Weg f\u00fcr eine einfachere Priorisierung des kritischen Datenverkehrs und gew\u00e4hrleistet die rechtzeitige Bereitstellung von Datenstr\u00f6men mit hoher Priorit\u00e4t, indem sie einen hohen Durchsatz und geringe Latenzzeiten f\u00fcr zeit- und unternehmenskritische Dienste garantiert.<\/p>\n\n\n\n

\"\"<\/a>
Abbildung 1<\/strong>. Herk\u00f6mmliche statische vs. dynamische Zuweisung von Verbindungskapazit\u00e4t.<\/figcaption><\/figure>\n\n\n\n

<\/p>\n\n\n\n

Ein vielversprechender Weg zur autonomen und dynamischen Zuweisung von Verbindungskapazit\u00e4ten ist die effiziente und pr\u00e4zise Vorhersage des k\u00fcnftigen Verkehrsverhaltens in Bezug auf seine erwartete Intensit\u00e4t und Variabilit\u00e4t im Zeitverlauf. Zu diesem Zweck wurden bereits zahlreiche Algorithmen des maschinellen Lernens (ML) zur Vorhersage des Netzverkehrs vorgeschlagen und analysiert. Eine besondere Technologie, die aufgrund ihrer Neuartigkeit noch nicht umfassend genutzt wurde, ist der Temporal Fusion Transformer (TFT), ein aufmerksamkeitsbasiertes tiefes neuronales Netz (DNN), das f\u00fcr die Vorhersage mit mehreren Horizonten (mehrere Schritte im Voraus) optimiert ist. Diese Eigenschaft der mehrstufigen Vorhersage ist besonders wichtig f\u00fcr die Anpassung der optischen Verbindungskapazit\u00e4t, wenn man bedenkt, dass die rekonfigurierbaren optischen Komponenten wie Transponder einige Dutzend Sekunden bis zu einigen Minuten ben\u00f6tigen, um die verschiedenen Hardware-Einstellungen wie Modulationsverfahren und Datenrate richtig an den neuen Verbindungsdurchsatz anzupassen. Abb. 2 zeigt einen vom Fraunhofer HHI auf Verkehrsprognosen basierenden, dynamischen Regelkreis zur Anpassung der Verbindungskapazit\u00e4t f\u00fcr die Automatisierung der Kapazit\u00e4tsbereitstellung eines optischen Transponders, der als Gateway zwischen optischen Zugangs- und Metronetzen fungiert.<\/p>\n\n\n\n

\"\"<\/a>
Abbildung 2<\/strong>. (a) Regelkreis f\u00fcr die dynamische Zuweisung von Verbindungskapazit\u00e4ten. Die wichtigsten Schritte sind: Verkehrs\u00fcberwachung und Streaming (1) f\u00fcr eine ML-Verkehrsprognose in Echtzeit (2). Auf der Grundlage der vorhergesagten k\u00fcnftigen Verkehrswerte wird die Kapazit\u00e4t dynamisch angepasst (3) und die Netzanschlusskapazit\u00e4t des Transponders entsprechend neu konfiguriert (4). (b) Die verschiedenen Softwarekomponenten der Pipeline f\u00fcr die Kapazit\u00e4tsanpassung, die die Regelkreisfunktionen implementieren, bestehend aus dem Telemetrie-Framework f\u00fcr die Extraktion und Speicherung von Telemetriedaten, dem ML-Modul f\u00fcr die Verkehrsprognose, sowie den Modulen des Kapazit\u00e4tsplaners und der Transponder-Rekonfiguration. Das Grafana-Dashboard wird verwendet, um den Betrieb dieser verschiedenen Komponenten in Echtzeit zu visualisieren.<\/figcaption><\/figure>\n\n\n\n

<\/p>\n\n\n\n

Der Transponder ist zwischen 100G – 200G Datenrate pro Port konfigurierbar und speist den Verkehr eines Aggregations-Switches \u00fcber einen konfigurierbaren optischen Schalter (ROADM) in das optische Transportnetz. Ein programmierbarer Verkehrsgenerator ist an den Aggregations-Switch angeschlossen und erzeugt burstartige und zyklische Verkehrsstr\u00f6me mit aggregierten Datenraten zwischen 0 und 200G, die reale Verkehrsstr\u00f6me emulieren, die \u00fcber einen Zeitraum von 12 Wochen gesammelt wurden und den so genannten t\u00e4glichen Gezeiteneffekt aufweisen, der sich im Wesentlichen in einer geringen Verkehrsintensit\u00e4t w\u00e4hrend der Nacht- und fr\u00fchen Tagesstunden \u00e4u\u00dfert, die stetig ansteigt und ihren H\u00f6hepunkt w\u00e4hrend der Mittags- und Nachmittagsstunden erreicht, gefolgt von einer allm\u00e4hlichen Abnahme in den Abend- und Nachtstunden. In einem ersten Schritt wird der erzeugte Verkehr auf der Switch-Ebene mit einer Granularit\u00e4t von 3s \u00fcberwacht (Abb. 3(a), gr\u00fcne Kurve), w\u00e4hrend die Verkehrsh\u00f6chstwerte jede Minute berechnet werden, was zu einer Verkehrsh\u00fcllkurve f\u00fchrt (Abb. 3(a), gelbe Kurve). Zweitens wurde auf der Grundlage der Verkehrsh\u00fcllkurve ein TFT-Model offline trainiert und dann in die Online-ML-Pipeline f\u00fcr Echtzeit-Verkehrsprognosen integriert. Wie aus Abb. 3(a) ersichtlich, sagt die Verkehrsprognose die f\u00fcnf folgenden Verkehrsmaxima voraus (basierend auf den letzten 30 Maxima), was den zuk\u00fcnftigen 5 Minuten entspricht (was mehr als genug f\u00fcr die neue Kapazit\u00e4tskonfiguration des Transponders ist). Die Verkehrsprognose ist in der Lage, die allgemeine Verkehrsentwicklung korrekt vorherzusagen, allerdings stellt es eine Herausforderung dar, die auftretenden Bedarfsspitzen korrekt vorherzusagen, da diese typischerweise zuf\u00e4llig auftreten. Drittens wird auf Basis des prognostizierten Verkehrsaufkommens (Abb. 3(a), blaue Kurve) die zuk\u00fcnftig ben\u00f6tigte Kapazit\u00e4t berechnet (Abb. 3(b), blaue Kurve). Wenn der aktuelle Wert der Verbindungskapazit\u00e4t des Transponders (Abb. 3(b), rote Kurve), der durch Telemetrie abgefragt wird, von der geplanten Kapazit\u00e4t abweicht, wird der Transponder f\u00fcr die aktuelle Verbindungskapazit\u00e4t rekonfiguriert, damit sie der geplanten Kapazit\u00e4t entspricht. Schlie\u00dflich wird jede Minute die Kapazit\u00e4ts-\u00dcberversorgung (Abb. 3(b), blaue Balken) berechnet, basierend auf der Differenz zwischen dem aktuellen Kapazit\u00e4tswert und dem Verkehrsvolumen\/der Verkehrsh\u00fcllkurve.<\/p>\n\n\n\n

F\u00fcr einen visuellen Leistungsvergleich zeigt Abb. 3(c) die \u00dcberkapazit\u00e4tswerte, die mit einem dynamischen Schema f\u00fcr die Zuweisung von Verbindungskapazit\u00e4ten (blaue Balken) im Vergleich zu einer herk\u00f6mmlichen statischen Bereitstellung von Verbindungskapazit\u00e4ten (rote Balken) erzielt werden.<\/p>\n\n\n\n

Abschlie\u00dfend ist noch anzumerken, dass in einigen F\u00e4llen aufgrund der hardwarebedingten Verz\u00f6gerung und des Jitters bei der Anpassung der Verbindungskapazit\u00e4t, eine kurze Verz\u00f6gerung zwischen den geplanten und den tats\u00e4chlichen Kapazit\u00e4tswerten beobachtet werden kann.<\/p>\n\n\n\n

Live Demonstration<\/p>\n\n\n\n

\n